[發明專利]一種基于數據驅動的熱軋板凸度預測方法

在審

• 申請號: 201811442099.5
• 申請日: 2018-11-29
• 公開（公告）號: CN109558677A
• 公開（公告）日: 2019-04-02
• 發明（設計）人: 孫杰;鄧繼飛;魏臻;單鵬飛;胡耀輝;彭文;丁敬國;張殿華
• 申請（專利權）人: 東北大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/08;G06N3/12
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 朱光林

本發明提供一種基于數據驅動的熱軋板凸度預測方法，涉及軋制過程自動控制技術領域。包括：采集帶鋼的生產數據并進行預處理；建立單隱層神經網絡并對其進行訓練，再將預處理后的生產數據輸入到訓練后的神經網絡模型中進行預測；計算單隱層神經網絡的訓練誤差；編碼權值和閾值；初始化種群；對種群中的個體進行非支配排序；計算提的適應度值并進行遺傳操作；判斷是否滿足終止條件；解碼權值和閾值；輸出經優化的神經網絡模型。本方法利用神經網絡結合快速非支配排序遺傳算法預測板凸度，克服熱軋生產過程中參數檢測困難精度差的缺陷不僅精度高，而且運算速度快，利用大量的生產過程數據通過直接在計算機上編程，即可實現投入使用，成本十分低廉。

技術領域

本發明涉及軋制過程自動控制技術領域，具體涉及一種基于數據驅動的熱軋板凸度預測方法。

背景技術

板形是衡量帶鋼產品質量的指標之一，通常衡量板形好壞的兩個指標分別是板凸度和平直度。板凸度又稱帶鋼橫向厚度差，是指板帶材沿寬度方向的厚度差。有效控制帶鋼板凸度不但可以防止如楔形等缺陷的出現，而且能夠保證帶鋼平直度。

對于有效的板凸度的控制，一般是將檢測裝置、數學模型、軋機輥型配置、負荷分配、彎輥系統等影響板凸度的各類因素有機結合在一起。但是，隨著用戶對于產品質量的要求日益提高，傳統的機理的方法已經很難有較大的進步與改善了。以某熱軋場為例，按照帶鋼實際凸度在目標凸度的±10μm內屬于合格品的規定，其生產的帶鋼僅有61.95％符合要求。這樣的生產狀況給企業造成了巨大的經濟損失。

發明內容

針對現有技術存在的問題，本發明提供一種基于數據驅動的熱軋板凸度預測方法，可以加快增量式運動結構恢復算法的計算效率，并提高生成點云模型的質量。

為了實現上述目的，一種基于數據驅動的熱軋板凸度預測方法，包括以下步驟：

步驟1：采集帶鋼的生產數據，包括鋼卷號、生產時間、中間坯厚度、F1～F6機架的軋制力、F1～F6機架的彎輥力、F1～F6機架的竄輥量、軋后帶鋼的寬度、軋后帶鋼的厚度、軋后帶鋼的凸度、精軋入口溫度以及終軋溫度；

步驟2：對采集到的生產數據進行預處理，包括去除異常值、平滑處理和歸一化，具體步驟如下：

步驟2.1：計算各生產數據的平均值和標準差；

步驟2.2：對生產數據的異常值進行剔除；

步驟2.3：對剔除異常值后的生產數據進行平滑處理；

步驟2.4：對平滑處理后的生產數據進行歸一化處理；

步驟3：建立單隱層神經網絡模型，具體步驟如下：

步驟3.1：采用經驗公式計算經驗值，然后在經驗值±50％的區間范圍內進行遍歷搜索，獲得隱含層神經元節點數n；

步驟3.2：遍歷搜索0.1～0.5，確定單隱層神經網絡學習率lr；

步驟3.3：兩兩組合purelin、logsig和tansig 3種傳遞函數，產生9種組合，分別測試并選取單隱層神經網絡隱含層和輸出層的傳遞函數；

步驟3.4：遍歷常用的方法，選擇單隱層神經網絡的訓練函數；

步驟4：采用快速非支配排序遺傳算法對單隱層神經網絡模型進行優化，具體步驟如下：

步驟4.1：設置最大進化代數G_max，并令當前進化代數G＝1；

步驟4.2：根據訓練函數對單隱層神經網絡模型進行訓練，再將預處理后的生產數據輸入到訓練后的單隱層神經網絡模型中進行預測并輸出預測結果；

步驟4.3：計算單隱層神經網絡的訓練誤差；